Les réseaux d’interactions biomédicales offrent un potentiel considérable pour prédire des interactions biologiquement significatives, identifier des biomarqueurs réseaux associés aux maladies et découvrir de nouveaux cibles thérapeutiques potentielles. Récemment, les réseaux de neurones graphes ont été proposés pour apprendre efficacement des représentations des entités biomédicales et ont atteint des résultats de pointe dans la prédiction des interactions biomédicales. Toutefois, ces méthodes ne prennent en compte que les informations provenant des voisins immédiats et ne parviennent pas à apprendre un mélange général des caractéristiques issues de voisins situés à différentes distances. Dans ce travail, nous proposons un réseau de convolution graphique d’ordre supérieur (HOGCN) afin d’agréger les informations provenant des voisinages d’ordre supérieur pour la prédiction des interactions biomédicales. Plus précisément, HOGCN collecte les représentations de caractéristiques des voisins situés à différentes distances et apprend un mélange linéaire de ces représentations afin d’obtenir des représentations informatives des entités biomédicales. Des expériences menées sur quatre réseaux d’interactions — incluant les interactions protéine-protéine, médicament-médicament, médicament-cible et gène-maladie — montrent que HOGCN permet des prédictions plus précises et mieux calibrées. HOGCN se distingue particulièrement sur des réseaux d’interactions bruyants et creux lorsque les représentations de caractéristiques des voisins à différentes distances sont prises en compte. En outre, un ensemble de nouvelles prédictions d’interactions a été validé par des études de cas basées sur la littérature scientifique.